Диссертация: Управление операционным риском банка: модель удержания сотрудников

Confusion Matrix and Statistics

Значения оказались очень близки.

Рисунок 6. Матрица предсказания в сравнении с исходным разбросом

Далее посмотрим Importance (важность предикторов).

Рисунок 7. Результат теста Gini

В нашем RandomForest по умолчанию 500 уровней дерева. Это рекомендуемое значение. Для корректировки модели в лучшую сторону количество деревьев можно снижать и увеличивать до бесконечности, но в нашем случае это не принесло результата.

Высокое влияние на срок работы, как и в линейной модели, оказывает возраст. Но тест Джини, очищающий модель RandomForest и снижающий количество деревьев, показал, что не один, а четыре показателя имеют высокое влияние на удержание работника. Это: Age (возраст), dis0 (количество дней отсутствия за исключением болезни и отпуска), res (коэффициент результативности), mid3 (среднее значение производительности за последние 3 месяца). Также, влияние чуть выше среднего, но не такое выраженное, оказывают показатели cred (суммарный месячный платеж по кредитным продуктам) и POS (общая сумма покупок по всем дебетовым картам за месяц). Кстати, связь между самими этими двумя показателями мы обнаружили в линейной модели.

В другой модели было принято решение предсказывать показатель текучести, вместо показателя удержания. Так мы могли бы спрогнозировать текучесть кадров, в абсолютно любом разрезе. По людям, по территориальным банкам, по головным отделениям, по функциональным блокам, по должностям, по грейдам и так далее.

Массив представляет из себя большие данные, что позволяет использовать выводы в работе, не нарушая политику конфедециальности, поскольку Big Data предусматривает обезличивание. На выходе, у моделей машинного обучения, мы получаем выводы, которые являются результатами сложных математических преобразований, необъяснимых человеком.

Работа была проведена на языке Python в среде Jupiter. После подстройки и фильтрации данных, была составлена модель. Зависимой переменной являлся показатель текучести. Анализ проводился в разрезе должностей.

Показатели:

Для исключения мультиколлинеарности были выявлены и убраны коррелирующие друг с другом значения.

Таблица 31. Таблица корреляции:

Для анализа оставшихся значений нам понадобятся различные инструменты и библиотеки анализа Python. Для их вызова применен следующий код:

import numpy as np

import pandas as pd

from sklearn.model_selection import train_test_split

from xlsxwriter.utility import xl_rowcol_to_cell

import os

from pandas import read_csv, DataFrame

from sklearn.neighbors import KNeighborsRegressor

from sklearn.linear_model import LinearRegression, LogisticRegression

from sklearn.svm import SVR

from sklearn.ensemble import RandomForestRegressor

from sklearn.metrics import r2_score

from sklearn.model_selection import train_test_split

from sklearn.linear_model import LinearRegression

from sklearn.ensemble import RandomForestRegressor

from matplotlib import pyplot as plt

Следующей командой мы проверяем присваиваем новой переменной таблицу корреляции с отсеиванием минимального коэффициента 0,7, тем самым, проверяя, что мы верно отфильтровали таблицу данных и убрали мультиколлинеарность.

dff = df_cor[df_cor[0:30] > 0.7]

Были применены различные модели для анализа данного массива:

models = [LinearRegression(), # метод наименьших квадратов

RandomForestRegressor(n_estimators=100, max_features ='sqrt'), # случайный лес

KNeighborsRegressor(n_neighbors=6), # метод ближайших соседей

SVR(kernel='linear'), # метод опорных векторов с линейным ядром

LogisticRegression() # логистическая регрессия]

Отсеивание тренировочной и целевой выборок:

trg = df['tek']

trn = df.drop(['tek'], axis=1)

Лучше всего себя показал случайный лес:

x = RandomForestRegressor()

x.fit(trn, trg)

Построив множество моделей, удалось прийти к выводу, что чем ниже возраст сотрудника и чем меньше опыт его работы, тем охотнее он покидает должность, либо его увольняют и, соответственно, наоборот. Сотрудники с большим опытом остаются на работе гораздо чаще. Этот критерии? во всех моделях оказался безоговорочно решающим и очень влиятельным.

Построив модель случайного леса, на первый взгляд, модель дала такой же результат, прямое влияние возраста на уход с работы. Но тест Джини дал дополнительные коэффициенты, менее влиятельные, но оказывающие воздействие на целевую переменную. Как оказалось, существует зависимость между стажем и количеством дней отсутствия (не из-за болезни или отпуска), показателями результативности и производительности, работники с хорошими показателями работают дольше и не теряют работу, расходами по кредитам и покупками, чем больше стаж, тем больше сотрудник тратит и берет кредиты.

Если мы говорим о модели удержания, то подойдет следующий вариант:

Формула 3. Результирующая весовая модель

?????? = 0.35 ? ?????? + 0.15 ? ??????0 + 0.15 ?

?????? + 0.15 ? ??????3 + 0.1 ? ???????? + 0.1 ? ??????

Где:

EXP - стаж работы,

Age - возраст,

dis0 - количество дней отсутствия за исключением болезни и отпуска, res - коэффициент результативности,

mid3 - среднее значение производительности за последние 3 месяца, cred - суммарный месячный платеж по кредитным продуктам,

POS - общая сумма покупок по всем дебетовым картам за месяц.

Рассмотрим другую модель. Массив важности предикторов по тесту Джини показал, что лучше всего предсказывает текучесть разряд сотрудника (грейд). При его повышении, текучесть в данной должности оказывалась ниже. Но даже его предсказательная сила в данном массиве оказалась невелика. Немного меньшую предсказательную силу имеет показатель возраста открытой заявки на должность. На основе этого мы можем сделать вывод, что из-за высокой текучести в конкретной должности, средний срок по открытым заявкам на эту должность также повышается.

Заключение

В работе рассмотрены основные аспекты управления операционными рисками. В частности:

Рассмотрены такие понятия, как:

Операционный риск, методы управления операционным риском, понятия, виды, источники риска. Система линий защиты, отражающая контроль на соответствие ограничениям. Рассмотрены такие методы, как опросы сотрудников, тесты систем, экспертные оценки, ранжирования, коэффициентный анализ, визуальные методы.

На основании изученных подходов к управлению рисками:

Дана организационно-экономическая характеристика исследуемого банка, проанализированы ключевые показатели деятельности.

Дана оценка эффективности системы внутреннего контроля по основным компонентам модели COSO и в разрезе операционных рисков.

?Также в работе совершается попытка разработки системы мониторинга операционных рисков банка. Были предложены ключевые показатели, а также проведена экспертная оценка веса каждого из факторов в формировании интегрального показателя; предлагается классификация по конкретным показателям в разрезах территориального банка и функциональных блоков. Данная система является предлагаемой основой для составления внутрибанковскего дэшборда по оценке операционных рисков.

Практическая значимость работы заключается в возможности использования модели для управления операционным риском банка.

Предложено решение к поставленной задаче построения предсказательной модели, выявляющей зависимость между определенными критериями. Результаты выявляют причины высокой текучести, что помогает снизить операционные риски за счет принятия соответствующих управленческих решений.

Список литературы

1. Макарова Л.Г., Экономический анализ в управлении финансами фирмы: учеб. пособие для студ. высш. учеб. заведений / Л.Г. Макарова, А.С. Макаров. - М.: Издательский центр «Академия», 2008. - 336 с. ISBN 978-5-7695-5097-3

2. Налоговыи? кодекс России?скои? Федерации. В 2 ч. 2 ч. [Электронныи? ресурс]: федер. закон от 05.08.2000 No 117-ФЗ (ред. от 23.04.2018) (с изм. и доп., вступ. в силу с 01.05.2018) // Справочная правовая система

3. Болычева Т.А. Операционныи? риск, понятие, цели и классификация // Новая наука: финансово-экономические основы. 2017. No 1. С. 72-74. 9 Болычева Т.А. Операционныи? риск - менеджмент в банках // Новая наука: финансово-экономические основы. 2017. No 2. С. 13-17.

4. Голубев А.А., Сизова Т.М. Управление операционными рисками банка в России?скои? Федерации // Научныи? журнал НИУ ИТМО. Серия «Экономика и экологическии? менеджмент». - Вып. No 4. - 2015.

5. Гончаренко Л.П. Риск-менеджмент. - М.: Кнорус, 2015. - С.81.

6. Деклерк, Д., Расчет экономического капитала как показатель зрелости системы управления рисками / Деклерк Д., Шибаев В. // Управление рисками. - 2016. - No1. - С.79.

7. Достаточность банковского капитала: проблемы перехода на Базель III //Ученые записки Международного банковского института. 2016. No 15. С.77- 85.

8. Дудкина, Е. В. Операционныи? риск-менеджмент в банковском секторе России: глобальные реформы на пути преодоления структурного кризиса [Текст] / Е. В. Дудкина. - (Практика) (Банковские риски) // Банковское дело. - 2016. - No 6. - С. 73-76

9. Кузнецова Ю.А. Управление операционными рисками банка: методология проблемы // Экономико-юридическии? журнал «Бизнес в законе». - Вып. No 1. - 2012.

10. Лаврушин, О.И. Анализ экономическои? деятельности клиентов банка: учеб. Пособие / О.И. Лаврушин. -М.: ИНФРА-М, 2015. -80 с.

11. Лаврушин О.И. Банковское дело: современная система кредитования, учеб. Пособие. 7-е изд. - М.:КНОРУС, 2016. 358 с.

12. Международная конвергенция измерения капитала и стандартов капитала: Уточненные рамочные подходы. - Центральныи? банк России?скои? Федерации, 2004.

13. Международное регулирование банковскои? деятельности: участие Базельского комитета в регулировании деятельности коммерческих банков / Никулина О.В., Броварец А.К. // Инновационная экономика: перспективы развития и совершенствования. 2017. No 1 (19). С. 244-248.

14. Международное и зарубежное финансовое регулирование: институты, сделки, инфраструктура: монография / под ред. А.В. Шамраева : в 2 ч. - Часть вторая. М.: КНОРУС: ЦИПСиР, 2015. 640 с.

15. Мельников А.Н. Управление операционными рисками коммерческого банка и пути их снижения // Вопросы науки и образования. 2017. No 9 (10). С. 23-26.

16. Минаков В. Ф., Лобанов О. С., Артемьев А. В. Кластеры потребителеи? телекоммуникационных сервисов // Международныи? научно- исследовательскии? журнал = Research Journal of International Studies. - 2016. - No 6-1 (25). - С. 60-61.

17. Оценка финансовои? устои?чивости кредитнои? организации: учебник / коллектив авторов; под. ред. Лаврушина О.И., Мамоновои? И.Д. - 2-е изд., стер. - М.: КНОРУС, 2017. -С.181.

18. Полозкова С.Ю. Управление операционным риском в коммерческом банке // Журнал «Аудит и финансовыи? анализ». - 2015. - No 2. - С. 10.

19. Разработка системы управления рисками и капиталом (ВПОДК) : учебник и практикум для бакалавриата и магистратуры / под науч. ред. А. Д. Дугина, Г. И. Пеникаса. -- М. : Издательство Юраи?т, 2016. -- 367 с

20. Савицкая Г.В. Анализ эффективности и рисков предпринимательскои? деятельности. - М.: ЮНИТИ-ДАНА, 2015. - С.108.

21. Сафарян К.В. Инновационныи? бизнес: практические аспекты оценки активов. - М.: Дело АНХ, 2015. - С.41.

22. Социально-экономические риски: диагностика причин и прогнозные сценарии неи?трализации / Под. ред. В.А. Черешнева, А.И. Татаркина. - Екатеринбург: Институт экономики УрО РАН, 2015. - С.107.

23. Стрельников Е. В. Особенности применения стандартов Базель II и Базель III в россии?ских банках // Управленец. - 2015. - No1 (41) - С. 7-11.

24. Фомичев, А.А. Риск-менеджмент / А.А. Фомичев. - М.: Экономика, 2015. - 405 с.

25. Хацкевич Е.М. Оценка риска в банковскои? деятельности // РИСК: Ресурсы, Информация, Снабжение, Конкуренция. - 2015. - No10. - С.27.

26. Шапкин А.С. Методика оценки риска // Вестник НГУЭУ. - 2016. - No 1. - с. 77.

27. Шигапова Р.Р., Вагизова В.И. Банковскии? сектор: переоценка кредитных рисков // Казанскии? экономическии? вестник. - 2016. - No 6. - С. 66- 69.

28. Щугорева В. А., Баша И. В., Минаков В. Ф. Концептуальная модель влияния риск-культуры на эффективность управления бизнесом банка // Экономика и менеджмент систем управления. - 2016. - No1.3 (19) - С. 352- 356.

29. Щугорева В. А. Критерии и необходимость внедрения автоматизированнои? системы управления операционными рисками в россии?ском банке. Примеры решении? // Международныи? научно- исследовательскии? журнал Research Journal of International Studies. - 2015. - No 3-3 (34). - С. 94-96.

30. Янкина, И. А. Анализ подверженности операционному риску коммерческих банков в России [Текст] / И. А. Янкина, Е. Е. Долгова. - (Банковская деятельность) // Финансы и кредит. - 2016. - No 3. - С. 17-28

31. Bryce C., Webb R., Cheevers C., Ring P., Clark G. Should the insurance industry be banking on risk escalation for solvency II? // International Review of

32. Financial Analysis. - 2016. - Vol. 46. - Pр. 131-139.

33. Hinchliffe J.M. The death of one thousand flowers or the AMA reborn? // Journal of Operational Risk. - 2016. - Vol. 11. - Is. 4. - Pр. 79-91.

34. Mignola G., Ugoccioni R., Cope E. Comments on the Basel committee on banking supervision proposal for a new standardized approach for operational risk // Journal of Operational Risk. - 2016. - Vol. 11. - Is. 3. - Pр. 51-69.